近年来,随着人工智能技术的迅猛发展,尤其是深度学习和神经网络的广泛应用,对计算任务的处理速度和能效要求日益提高。光计算作为一种前沿技术,凭借其高速并行处理能力和低能耗特性,逐渐成为解决这些挑战的重要手段。南京大学张旭苹教授团队与相关光计算研究组合作,首次成功将光学神经网络与分布式声学传感(DAS)系统结合,基于一种时间-波长复用机制的光神经网络加速器(TWM-PNNA),实现了光学神经网络的设计自动优化,为光计算在实际应用中的部署和优化奠定了基础。

一、背景知识
分布式声学传感(DAS)技术在基础设施监测和交通安全等领域有着广泛的应用,光纤传感系统因其高灵敏度和远程非接触式监测特性而备受关注。然而,传统电子信号处理方法在面对海量数据时,常常面临计算能力不足和功耗过高的瓶颈。光计算通过使用光子代替电子进行计算,能显著提升处理速度、降低功耗,并具备天然的并行处理优势,逐渐成为解决这些问题的理想方案。
与此同时,感算一体(Sensing and Computing Integration)概念逐步崭露头角,意图将传感与计算高度融合,以实现数据处理的最优解。南京大学的研究团队在此背景下,基于“时间-波长复用”机制的光神经网络加速器(TWM-PNNA),将光计算的优势与DAS系统的实时数据处理需求相结合,为这一融合型系统提供了全新的架构设计。
二、研究方法
研究人员设计了一种基于时间-波长复用机制的光神经网络加速器(TWM-PNNA)。该系统利用多个可调激光器发射间隔为Δλ的多个波长光束,并通过卷积核与波长分复用器(WDM)合成单束光。编码过程使用任意波形发生器(AWG)将DAS传感信息调制到所有波长上,经马赫-曾德调制器(MZM)转换为光时域信号。通过单模光纤(SMF)引入延迟以匹配波特率,并使用掺铒光纤放大器(EDFA)补偿损耗。随后,波长选择开关(WSS)对各波长通道进行路由和衰减控制,模拟权重分配。特征图生成后,经AWG和MZM加载到光路径中,通过WDM滤波分离波长并完成乘法运算,最终由光电探测器和示波器收集输出信号,实现光上卷积神经网络。
三、实验结果
研究人员基于TWM-PNNA提出了一种光学剪枝方案,通过将掩码矩阵中的相应元素设置为零,而不是直接将权重设置为零,来实现网络模型的轻量化。实验结果表明,在将模型剪枝40%的情况下,系统准确度仅略微降低,该剪枝方案结合了光神经网络的设计特点,提高了光学模块的动态调节能力,优化了全连接操作中的资源配置,减少了硬件负担,具有良好的扩展性和灵活性。
此外,研究人员还针对调制啁啾对系统性能的影响进行了优化。通过采用双臂调制方法,在0.4nm波长间隔下,使TWM-PNNA系统在复杂图案识别任务上的性能相较于原始方法提升了17.9%。这一优化策略展现了设计与工艺协同优化的潜力。
四、关键结论
研究人员提出的基于时-波长复用机制的光神经网络加速器成功将光计算与DAS系统结合,提升了实时数据处理能力,展示了光计算在AI加速中的巨大潜力。稀疏化剪枝和啁啾调控等方法实现了光学神经网络的设计自动优化,提升了光计算的精度和稳定性。未来,随着AI和光计算、光传感以及光通信的进一步融合,感通算一体技术将在智能传感、智慧城市等领域发挥关键作用。光神经网络的优化和光计算的广泛应用,将推动智能化系统向更高效、实时的数据处理发展。
随着技术的不断进步,光计算与人工智能的结合将为更多领域带来创新和突破。研究人员将继续探索如何进一步提升光神经网络的性能和效率,降低功耗和成本,以满足日益增长的计算需求。同时,他们也将致力于将这项技术应用于更广泛的场景,如智能交通、环境监测、医疗健康等,为构建更加智能化的社会做出贡献。
声明:此篇为欧光科技原创文章,转载请标明出处链接,以上文章或转稿中文字或图片涉及版权或法律等问题,请及时联系本站,我们会尽快和您对接处理。
您好,请点击在线客服进行在线沟通!